Electrical Engineering and Systems Science
PulseAugur coverage of Electrical Engineering and Systems Science — every cluster mentioning Electrical Engineering and Systems Science across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
新方法确保演进中的数据驱动控制器安全
研究人员开发了一种新颖的、由模型驱动的方法,以增强网络物理系统中数据驱动控制器的安全性。该方法将数据驱动控制器和安全护盾作为模型集成到统一的虚拟系统中,从而能够在物理系统演进时进行持续的安全评估。当由于系统变化导致不一致时,自动化规则会更新模型并恢复有效的安全护盾,这一点已在用于到达-避免任务的单轮车系统上得到验证。
-
新协议确保多智能体去中心化系统的安全性
研究人员开发了一种新的多智能体系统去中心化协议,即使在通信间断的情况下也能确保安全。该事件触发的拓扑切换协议允许智能体根据本地可计算的证书断开和重新连接,将估计误差保持在认证的安全范围内,并防止芝诺行为。该协议在四罐系统示例中得到了验证,在智能体大部分模拟时间内保持断开连接的情况下,成功地将所有偏差保持在安全限制内。
-
大语言模型与优化代理提升无人机搜救任务调度效率
研究人员开发了一种新颖的系统,该系统集成了大语言模型(LLM)和优化代理,以改进无人机在搜救任务中的调度。该系统部署在地面控制站,利用LLM进行搜索区域推理,并利用优化器在能源限制下管理无人机调度。模拟表明,这种组合方法在可靠性方面成功完成了任务,优于非LLM基线和直接LLM调度。
-
新方法增强了无线信道估计神经网络的鲁棒性
研究人员开发了一种方法来提高用于无线通信系统信道估计的神经网络的鲁棒性。所提出的方法侧重于生成具有特定设计标准的合成训练数据,以确保这些网络能够有效地泛化到多样化和时变信道,特别是那些具有高多普勒频移的信道。这种离线训练方法旨在消除对先验信道信息或在线训练的需求,从而即使在以前未知的无线环境中也能进行精确的信道估计。
-
新框架认证多智能体系统的安全性和连通性
研究人员开发了一个新框架,用于认证多智能体系统在有限时间编队转换期间的安全性和连通性。该方法使用基于分歧的方法来确保在系统收敛到期望编队时避免碰撞并保持通信链路。该框架为安全性和连通性提供了充分的几何条件,以及一个基于可用几何间隙选择耦合增益的离线规则。数值模拟展示了收敛速度与控制工作量之间的权衡,以及所提出的安全证书的有效性和保守性。
-
新框架跨视图和时间跟踪混凝土裂缝演化
研究人员开发了一个新框架来跟踪混凝土结构中的裂缝演化,解决了在不同摄像头视图和随时间推移保持裂缝身份的挑战。这种几何辅助、形态感知的方法将观测值对齐到一个共享参考系中,并区分新增长与现有裂缝。虽然该框架在建立跨视图对应关系方面显示出潜力,但由于早期微裂缝的可分割性和投影漂移,在严格的空间重叠和生长局部化方面仍存在局限性。
-
新的自监督声纳成像技术可抑制噪声和模糊
研究人员开发了一种新颖的自监督框架,用于增强多波束成像声纳数据。该方法无需干净的真实图像即可联合处理斑点噪声和系统引起的模糊。通过采用物理一致的图像形成模型并利用配准的多帧声纳序列,该框架实现了更高的图像质量,与现有方法相比,在斑点抑制和结构细节保留之间取得了有利的平衡。
-
新的运行时监控器审计随机系统的学习安全证书
研究人员开发了一种新的运行时监控器,旨在审计随机系统的学习安全证书。该监控器旨在检测由于训练和实际系统动力学之间的差异而导致已部署安全证书的有效性何时会下降。它将条件屏障漂移表述为序贯假设检验,将观察到的屏障增量转换为超鞅,以便在任何停止时间控制误报。该系统还结合了监控边界的时间整形,使其在部署范围的早期更加保守,同时保持任何时候都有效。
-
新的单通道网络挑战医学图像配准中的递归方法
研究人员开发了M2CG,一种新颖的一次性深度学习网络,用于可变形图像配准,旨在实现高精度而无需递归方法带来的计算开销。M2CG在单次迭代中利用多级和多空间上下文引导来逐步优化配准。该方法支持无监督和半监督学习,并在多个数据集的医学成像任务上展示了最先进的性能。
-
EarLog系统通过声反射检测监测听力风险
研究人员开发了EarLog,一个新颖的系统,旨在通过在日常听音过程中检测声反射(AR)来监测听力风险。与仅在损害发生后才识别损害的传统方法不同,EarLog利用播放作为机会性探针来观察风险累积过程。该系统采用内容条件残差传感来过滤掉音频内容和设备特性的变化,通过响度依赖的光谱变化识别弱AR。EarLog经过81名参与者和16种耳机型号的测试,在检测AR事件方面表现出高精度,为实现个性化听力风险意识提供了途径。
-
新算法简化了分数阶动力学系统辨识
研究人员开发了一种用于辨识离散时间分数阶动力学系统(FoDS)的新算法。该算法通过将其重构为最小二乘估计来简化辨识过程,避免了复杂的多项式方程求解。所提出的方法包括详细的样本复杂度分析,表明估计误差以 O(d/ε) 的速率衰减,其中 d 是状态变量的维度,ε 是所需的精度。仿真结果证实了理论界限,并证明了该算法的准确性和鲁棒性。
-
新的优化框架增强了用于路面异常检测的VP-SVM训练
研究人员开发了一个新的二阶优化框架,旨在改进可变投影泛函的训练,特别是针对核方法。该框架已应用于高效训练可变投影支持向量机(VP-SVM)。该方法论的有效性在实际应用中得到了证明,其中VP-SVM模型被训练用于利用轮胎传感器数据识别路面异常。
-
新型ZAGNet模型使用图神经网络进行肺部超声诊断
研究人员开发了ZAGNet,一种新颖的区域感知图神经网络,用于患者级别的肺部超声诊断。该网络通过将病理学发现表示为图,解决了当前AI方法的局限性,从而允许跨解剖区域传播上下文信息。ZAGNet可以有效地处理具有缺失区域的不完整扫描协议,并在诊断实变和胸腔积液方面比传统池化方法显示出显著的准确性提高。
-
新的多智能体系统提高了听觉场景分析的速度和鲁棒性
研究人员开发了一种新的多智能体系统,用于听觉场景分析(ASA),该系统显著提高了定位速度和鲁棒性。该系统将ASA建模为多个智能体,每个智能体负责定位、分离和分类声源等特定任务,并将结果进行通信以优化性能。关键创新是一种新的优化机制,它使用一系列位置的质量估计集,提供更清晰的搜索空间,并与依赖单一、可变质量估计的先前方法相比,减少了优化时间。
-
新的控制架构确保标量代理的安全协调
本文介绍了一种新颖的网络可容许性保持控制(APC)架构,专为标量代理之间的安全关键协调而设计。该系统确保代理的输出保持在共同的移动安全走廊内,并且其物理输入遵守不对称边界。所提出的架构利用可容许性保持输入实现(APIR)来管理物理输入,并利用对数障碍坐标来定义安全走廊。合成产生一个级联,其中实现误差驱动共识动态,保证兼容初始集的唯一完整解,并为安全走廊和执行器区间保持均匀裕度。
-
新框架审计语音AI客服中的偏见和安全问题
一篇新的研究论文介绍了一个用于审计用于客户服务的语音AI系统中的偏见和安全问题的框架。所提出的方法对语音AI架构进行了分类,包括级联的ASR到语言模型到TTS以及工具驱动的系统。它强调在受控的呼叫者呈现条件下(如口音和情感)验证系统行为,以识别超越简单语音识别差异的潜在危害。
-
$S^3$ 方法优化动力系统的神经网络抽象
研究人员开发了一种称为平滑仿真代理($S^3$)的新方法,用于优化动力系统的离散抽象,特别是那些具有神经网络控制器的系统。这种可微分的目标函数近似了用于量化抽象中保守性的指标,从而允许进行基于梯度的优化,同时保持其可靠性。在三个案例研究中的评估表明,$S^3$ 与反向仿真指标具有良好的相关性,计算效率高,并能有效降低抽象保守性。
-
自适应控制问题已解决:确定了对抗性场景下的精确值
研究人员解决了自适应控制理论中的一个基本问题,确定了在显著参数不确定性下标量对抗性自适应控制的精确值。该研究表明,因果控制器在面对对抗性干扰时能保证的最小最坏情况峰值恰好是 1 + \u0394,其中 \u0394 代表参数不确定性的任意大小。确定的最优策略是确定等效的无振荡控制策略,该策略在集合成员一致区间的中点运行。该方法首次为对抗性自适应控制中的“一致模型追踪”设计原则提供了精确的最优性证明,表明标准控制工具在数量上是不够的。
-
新的动态规划方法优化多智能体通信控制
研究人员开发了一种新的动态规划方法,用于优化多智能体线性系统中的联合通信控制策略。该方法专门解决了在分散式随机控制框架内具有二次成本和部分嵌套信息结构的问题。该方法产生了闭式Riccati方程,并且还可以解决具有输出反馈的分散式线性二次型控制问题。
-
AI研究质疑医学影像表示中基于距离的估计的可靠性
一篇新发表在arXiv上的研究论文探讨了AI生成表示的基于距离的估计方法的可靠性,特别是在医学影像的背景下。研究发现,尽管解耦技术可以改变这些表示的几何形状,但它们并不一定能提高可靠性估计器的准确性。即使信息仍然是可解码的,它也可能变得无法被标准的可靠性评估工具访问,这凸显了分类性能与学习到的表示对下游任务的效用之间的差距。